RAG（检索增强生成）的完整流程可分为5个核心阶段：
- 数据准备：清洗文档、分块处理（如PDF转文本切片）；
- 向量化：使用嵌入模型（如BERT、BGE）将文本转为向量；
- 索引存储：向量存入数据库（如Milvus、Faiss、Elasticsearch）；
- 检索增强：用户提问向量化后检索相关文档；
- 生成答案：将检索结果与问题组合输入大模型生成回答。
也可以从三个阶段来回答：
- 在 RAG 索引阶段，首先对原始文档进行解析，并将其拆分成多个较小的文本块。随后，这些文本块会通过嵌入模型进行向量化处理，生成的向量将被存储在向量数据库中，供后续检索使用。
- 在 RAG 检索阶段，RAG 系统会将用户的查询同样进行向量化，并在向量数据库中执行语义相似度匹配，筛选出与查询最相关的一组文本块。
- 最后在生成阶段，系统将用户查询与检索到的相关文本块进行组合，通过提示工程（Prompt Engineering）设计适当的输入格式，然后交由大语言模型生成最终的回答，至此完成整个 RAG 的流程。
扩展知识
文档处理的关键细节
文档分块策略：
- 按语义切分：用
SemanticSplitter确保每块语义独立（如问答对单独成块）； - 按结构切分：HTML/PDF按标题层级切割（如
HTMLHeaderTextSplitter保留结构）； - 递归切分：
RecursiveCharacterTextSplitter兼顾文本连贯性和长度限制。
检索阶段的优化策略
多阶段检索：
- 粗筛：用BM25快速匹配关键词（如“iPhone 15”）；
- 精排：向量相似度+重排序模型（如Cohere Reranker）；
混合检索：同时使用向量和关键词结果，通过RRF（倒数排名融合）合并。
生成阶段的Prompt设计示例
▼
python
复制代码
# 示例Prompt模板（网页2） prompt = "用户问题: {query}\n相关文档: {doc1}\n{doc2}\n请结合以上信息回答。"
可以进行上下文压缩：对检索结果摘要（如RAPTOR树状摘要）减少冗余输入。
)
